在混合效应模型（lme4）中分析多个响应变量（即因变量）

Question

在混合效应模型（lme4）中分析多个响应变量（即因变量）

3

我有一个非常简单的问题。在一项纵向实验中，一组参与者对彼此进行了评分，评分涉及10个变量（例如“这个人很可爱”，“这个人很无聊”等），并且在7个不同的时间点进行了评分。如果我想要获取某个变量/响应的某种认知者和目标方差，我会使用：

lmer(scale(Var1) ~ (1|target) + (1|perceiver), data= subset(x, time_point == 1))

在这里，我们有一个数据框“x”的因变量“Var1”，其规范为第一个时间点（也是x的一个变量）。

到目前为止，这很好用。

现在，正如我所说，我有多个响应和多个时间点。因此，我想同时使用a）“for”循环或b）lapply来获得所有模型。

无论哪种方式，我都必须以某种方式“索引”因变量，无论是指定列位置（

x [，10] ，其中10是Var1的假定位置）还是变量本身（x $ Var1 ）或者（至少有点奇怪）将变量名粘贴或打印到公式中（col.names（c [10] ）。
我的意思是，这些都不起作用。我总是会收到有关不同变量长度的错误。但是，正如我所写的那样，我正在使用完全相同的列！
你们有没有运行多个lmer的经验？
欢迎并感谢所有想法！如果您需要任何进一步的信息，我很乐意提供，只要我能够提供。

- Al_

1

请提供一个可重现的示例。变量是否命名为Var1到Var7？time_point范围是从1到7吗？ - Sven Hohenstein

2

单个混合模型可以轻松处理重复测量 - 我不确定构建单独的模型在统计上是否有意义。
展示head(x)的输出将有助于我们回答您的问题; 更好的方法是使用dput(head(x))，以便其他人可以重建部分您的数据框以检查其代码。

- Matt Parker

为什么您只想估计一个固定效应（截距）？ - Sven Hohenstein

你的时间点比响应变量少。你想要这两个因素的所有组合吗？也就是说，70个模型？请指定你要查找的模型。 - Sven Hohenstein

嘿，马特，还有谢谢！我担心的不是多个时间点，而是除了lmer函数中的变量名之外的“仅仅”规范，即您必须编写“Var1〜…”而不是“x [，1]〜…”。由于数据集非常庞大，并且我简化了命名，我不知道这是否会很好地工作（dput（head（x））也很大）。 - Al_

显示剩余4条评论

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Matt Parker · Accepted Answer

我建议您尝试重新整理数据，使每个评分都有自己的记录，然后对这些记录进行迭代：

library(reshape2)


# This will create a data.frame with one row for each  rating, 
# which are uniquely specified by the characteristic being rated,
# the time point, the perceiver, and the target
# (I think)
x.melt <- melt(x,
               id.var = c("time_point", "perceiver", "target"),
               measure.var = c("Var1", "Var2", "Var3", "Var4",
                               "Var5", "Var6", "Var7")
)


# I'd use plyr to iterate, personally
library(plyr)

# This will return a list containing one model for each combination of variable
# (which are your various outcomes) and time_point
x.models <- dlply(x.melt, .var = c("variable", "time_point"), .fun = function(x) {

    lmer(scale(value) ~ (1|target) + (1|perceiver), data= x))

})


# Which then makes it easy to do things like print summaries for every model
lapply(x.models, summary)

我认为将time_point作为模型的一个组件更有意义，这样你就可以从.var = c("variable", "time_point")参数中删除它并将其添加到模型规范中。

在R语言中，当数据处于正确的形状时，许多事情变得更加容易。学习"melting"和"casting"概念背后的reshape2包是非常值得的——我不知道我以前是怎么做的。